时序动作定位 | 用桥接伪标签训练测试间隙改进弱监督时序动作定位（CVPR 2023）

已于 2024-06-01 11:11:19 修改
阅读量250 收藏
点赞数 1
分类专栏： 视频动作定位 文章标签： 人工智能 深度学习 计算机视觉 神经网络 视频
于 2023-09-15 20:31:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LiRongLu_/article/details/132898659
版权
该博客介绍了CVPR 2023会议上的一项研究，通过缩小训练与测试之间的差距来改进弱监督时序动作定位。研究人员提出使用桥接伪标签的方法，以提高在视频中识别和定位动作的准确性。论文和相关代码可在arXiv和GitHub上找到。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文 超级会员免费看
编程日记✧
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
时序动作定位 | AUMN：弱监督时间动作定位的动作单元记忆网络（CVPR 2021）
LiRongLu_的博客
08-10 469
Action Unit Memory Network for Weakly Supervised Temporal Action Localization
【弱监督时间动作定位】Improving Weakly Supervised Temporal Action Localization by Bridging Train-Test Gap in ..
weixin_44609958的博客
07-16 552
弱监督时序动作定位的任务旨在为感兴趣的动作生成时间边界，同时还需要对动作类别进行分类。近年来，作为有效解决方案的伪标签方法受到了广泛研究。然而，现有方法在训练和测试阶段生成伪标签时采用了不同的流程或设置，导致训练和测试之间存在差距。本文提出从预测的动作边界生成高质量伪标签的方法。然而，我们注意到现有的后处理方法（如NMS）可能会导致信息丢失，这对于生成高质量的动作边界来说是不够的。更重要的是，将动作边界转换为伪标签是非常具有挑战性的，因为预测的动作实例通常是重叠的并且具有不同的置信度分数。
时序动作定位 | 探索去噪跨视频对比弱监督时间动作定位（CVPR 2022）
LiRongLu_的博客
07-10 386
关于Exploring Denoised Cross-video Contrast for Weakly-supervised Temporal Action Localization论文学习提出了一种新的去噪跨视频对比算法，旨在增强视频片段的特征识别能力，以便在弱监督环境下准确定位时序动作。......
时序动作定位 | RSKP:基于代表片段知识传播的弱监督时间动作定位（CVPR 2022）
LiRongLu_的博客
07-14 680
关于论文学习 提出了一个具有代表性的代码片段汇总和传播框架。作者的方法试图挖掘每个视频中的代表性片段，以便在视频片段之间传播信息，以生成更好的伪标签。对于每个视频，以视频内和视频间的方式传播其自身的代表片段和来自存储库的代表片段以更新输入特征。伪标签是由更新特性的时间类激活映射生成的，以纠正主分支的预测。.........
[CVPR2022] 面向时序行为定位任务的无监督预训练
Can的博客
03-30 752
虽然近年来无监督视频表征学习取得了显著的成就，但大多数现有的方法都是针对视频行为分类任务（TAC）进行设计和优化的。当应用于时序定位任务（TAL）时，由于视频级别分类和片段级别定位之间的固有差异，这些预先训练的模型的迁移性能会受限。为了缓解这一问题，我们首次尝试对时序行为定位任务进行无监督预训练，提出一种新的自监督代理任务，称为“伪动作定位（Pseudo Action Localization，PAL）”。
时序动作定位 | ASM-Loc:弱监督时序动作定位的动作感知片段建模（CVPR 2022）
LiRongLu_的博客
08-06 598
ASM-Loc: Action-aware Segment Modeling for Weakly-Supervised Temporal Action Localization（CVPR 2022）一个新的WTAL框架，可以实现显式的、动作感知的分段建模，而不是标准的基于MIL的方法
时序动作定位 | 用于弱监督时态动作定位的细粒度时态对比学习（CVPR 2022）
LiRongLu_的博客
07-16 496
关于Fine-grained Temporal Contrastive Learning for Weakly-supervised Temporal Act论文学习，本文认为，通过上下文比较序列之间的差异来学习，在WSAL中提供了一种基本的归纳偏差，并有助于识别连贯的行动实例。具体而言，在可微动态规划公式下，设计了两个互补的对比目标，包括细粒度序列距离(FSD)对比和最长公共子序列(LCS)对比，其中第一个目标通过匹配、插入和删除动作来考虑各种动作/背景建议之间的关系，第二个...............
时序动作定位 | WTAL任务中用到Memory Bank的论文
LiRongLu_的博客
08-18 485
时序动作定位 | WTAL任务中用到Memory Bank的论文 Action Unit Memory Network for Weakly Supervised Temporal Action Localization; Exploring Denoised Cross-video Contrast for Weakly-supervised Temporal Action Localization; Exploring Denoised Cross-video Contrast for Weakly-s
时序动作定位:CVPR2018-Rethinking the Faster R-CNN Architecture for Temporal Action Localization
qq_33278461的博客
07-22 7159
一、摘要： 密歇根大学和谷歌的工作，提出一个把Faster-rcnn思想从目标检测领域迁移到时序动作定位任务的方法，之前有直接改Faster-rcnn的R-C3D，本文对faster-rcnn做了修改，使之更适用于时序动作定位任务,目前是Thumos14的最好效果，tIOU=0.5的时候达到了42.8%(直接从去年最佳的CBR提高了11.8个百分点，很强)。 TAL-net(本文)： 时序动...
InstanceLoc：[CVPR 2021]用于自监督检测预训练的实例定位
03-04
自监督检测预训练的实例定位 []消息完整的代码库和模型即将推出主要结果在这里，我们列出了使用R50-C4和R50-FPN检测器在MSCOCO上得到的结果。 在不进行任何多播/自动/随机增强的情况下，我们的InsLoc优于许多以前的...
CVPR2022 - 弱监督多标签分类中的损失问题.doc
07-12
《弱监督多标签分类中的损失问题》探讨了在计算机视觉领域的弱监督多标签分类（WSML）任务中，如何处理损失问题以提升模型性能。在WSML任务中，由于标注成本高昂，通常只能获取每张图像的部分标签，这使得学习过程...
PRM:CVPR 2018中使用类峰值响应的弱监督实例细分（Spotlight）
05-01
使用以下方法进行弱监督实例细分类峰值响应 PyTorch实施包含： 峰值响应映射（激励和反向传播）的pytorch实现。 PASCAL-VOC演示（培训，推理和可视化）。 请按照以下说明进行安装并运行实验演示。先决条件系统（已在...
WSC:通过可扩展的弱监督群集（CVPR18）从Web图像中学习面部动作单元
04-29
此代码有两个目标： 学习弱监督频谱嵌入（WSE） ，该方法考虑了视觉相似性和弱注释之间的一致性（本文第3.1节）。 使用等级排序聚类和多数投票（在本文中，第3.2节）重新标注嘈杂的图像。 我们还提供uMQI指标来自动...
C/C++开发，opencv内置背景减除算法与运动检测
技术需要分享
08-14 461
C/C++开发，opencv内置背景减除算法的完整代码及编译过程示例
数字图像处理（Matlab实践篇）专栏介绍
weixin_44063529的博客
08-14 396
数字图像处理（Matlab实践篇）”专栏是一个全面、系统的学习资源，它不仅提供了丰富的理论知识，更重要的是，通过实战案例和代码示例，使读者能够将所学知识应用于实际问题中。随着数字图像处理技术在各行各业的广泛应用，掌握这些技能无疑将为读者的职业生涯增添宝贵的资本。通过这个专栏的学习，读者将能够构建起自己的图像处理工作流，提升处理能力，为未来的技术挑战做好准备。
机器学习常用包numpy篇（零）前置知识·数值类型
最新发布
2301_79144343的博客
08-14 188
本文仅介绍numpy中的数值类型
Spark MLlib 特征工程(上)
08-14 703
特征选择的动机，在于提取与预测标的关联度更高的特征，从而精简模型尺寸、提升模型泛化能力。特征选择可以从两方面入手，业务出发的专家经验和基于数据的统计分析。归一化的目的，在于去掉不同特征之间量纲的影响，避免量纲不一致而导致的梯度下降震荡、模型收敛效率低下等问题。归一化的具体做法，是把不同特征都缩放到同一个值域。在这方面，Spark MLlib 提供了多种归一化方法供开发者选择。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

编程日记✧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值